基于果蝇优化最小二乘支持向量机的交通信息预测方法
【专利摘要】本发明针对现有交通信息预测方法预测精确度不高的问题，提供了一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，包括如下步骤：对原始交通信息数据进行归一化预处理，将数据归一化到[0，1]区间内，生成数据集并且进行分组，即训练集和测试集；选择径向基函数作为最小二乘支持向量机模型的核函数，确定参数组合(γ，σ)；采用果蝇优化算法对最小二乘支持向量机的参数组合(γ，σ)进行优化，在全局范围内得到最优值；代入经过优化的参数，构造基于果蝇优化最小二乘支持向量机的交通信息预测模型；输入数据集，通过预测模型生成交通信息预测结果；进行预测误差评价分析。
【专利说明】基于果蝇优化最小二乘支持向量机的交通信息预测方法
【技术领域】
[0001] 本发明涉及一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，属于 公路网交通规划系统领域。
【背景技术】
[0002] 随着交通基础设施建设和智能交通系统的发展，交通规划和交通诱导成为交通 领域研究的热点。对于交通规划和交通诱导来说，准确的交通信息预测有其重要的意义。 交通信息预测结果的好坏将直接关系到交通控制与诱导的效果，无论是交通控制系统还是 交通诱导系统，实时准确地对交通信息进行预测是这些系统实现的前提与关键，所以交通 信息预测越来越受到重视。交通信息预测结果可以作为先进的交通系统的输入，用于制定 主动型的交通控制策略，还可以直接用于先进的交通管理系统的信息发布，为出行者提供 实时有效的信息，帮助他们更好的进行路径选择，进而提高路网效率。
[0003] 交通信息数据具有高度非线性和不确定性等特点，并且与时间相关性很 强，是一种典型的时间序列预测问题，目前，比较常见的交通网络信息预测模型包括 ARIMA(Auto-Regression Intergrated Moving Average)方法、卡尔曼滤波模型（Kalman Filtering Model)和神经网络模型（Neural Network Model)。ARIMA是一种典型的时间 序列预测方法，有着良好的预测性能，是一种基于线性的模型，而交通信息具有非线性特 征，所以预测结果不理想。卡尔曼滤波是一个非常适用于实时动态预测交通信息的方法， 但是由于卡尔曼滤波模型的误差项不好确定，因为交通信息的随机性非常大，这样卡尔曼 滤波模型中存在着大量的矩阵运算和复杂的参数估计，在实际应用中难以掌握，所以对于 预测结果来说还是存在很多不尽人意的地方。BP神经网络（BP Neural Network, BPNN)预 测模型存在训练数据需求大、收敛速度慢等问题，而RBF神经网络（RBFNN)是一种前向神经 网络模型，克服了 BP神经网络训练数据需求大、收敛速度太慢等缺点，日渐取代BP神经 网络成为一种新的交通信息预测方法，然而，由于人工神经网络采用经验风险最小化原理 (ERM)，容易陷入局部极值，从而影响泛化能力。近年来，支持向量机（SVM)在交通信息预测 中应用越来越广泛，它采用结构风险最小化原则，能有效解决小样本、非线性等回归问题， 具有全局寻优能力与良好的泛化推广能力，同时计算量少。克服了神经网络局部极值的难 题。目前，用遗传算法优化支持向量机参数的方法应用较多，但遗传算法复杂的遗传操作 (如选择、交叉、变异）使支持向量机的训练时间随问题规模及复杂程度的增大而呈指数级 增长，且存在局部最优等问题。果蝇优化算法（Fruit Fly Optimization Algorithm, F0A) 是一种智能群体搜索方法，它不仅具有很强的全局搜索能力，而且容易实现，非常适用于 最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM)的参数优化。
【发明内容】
[0004] 本发明针对现有交通信息的预测模型预测精确度不高的问题，而提供一种基于果 蝇优化最小二乘支持向量机的交通信息预测方法，该方法能够有效的提高预测精确度。
[0005] 为实现上述目的，本发明采用如下技术方案：
[0006] 基于果蝇优化最小二乘支持向量机的交通信息预测方法，该预测方法包括如下步 骤：
[0007] 步骤一、对原始交通信息数据（包括交通流量、速度和占有率）进行归一化预处 理，将数据归一化到[0，1]区间内，生成数据集并且进行分组，即训练集和测试集；
[0008] 步骤二、选择径向基函数，作为最小二乘支持向量机模型的核函数，确定参数组合 (Y，〇)，其中Y为正则化参数，〇为径向基函数的宽度参数；
[0009] 步骤三、采用果蝇优化算法对最小二乘支持向量机的参数组合（Υ，〇 )进行优 化，在全局范围内得到最优值；
[0010] 步骤四、代入经过优化的参数，构造基于果蝇优化最小二乘支持向量机的交通信 息预测模型；
[0011] 步骤五、输入数据集，通过预测模型生成交通信息预测结果；
[0012] 步骤六、根据交通信息预测结果和实际交通信息数据，进行预测误差评价分析。
[0013] 进一步的技术方案如下：
[0014] 步骤一的具体过程为：
[0015] 为了加快网络的收敛速度和预测模型的准确率，需要对输入输出数据进行归一化 处理，即通过一定的线性变化将输入和输出数据统一限制在[0,1]或[-1，1]区间内，对数 据进行线性归一化处理：
[0016]
【权利要求】
1. 一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，其特征在于，包括以 下步骤： 步骤一、对原始交通信息数据进行归一化预处理，将数据归一化到[〇，1]区间内，生成 数据集并且进行分组，即训练集和测试集； 步骤二、选择径向基函数，作为最小二乘支持向量机模型的核函数，确定参数组合 (Y，〇)，其中Y为正则化参数，0为径向基函数的宽度参数； 步骤三、采用果蝇优化算法对最小二乘支持向量机的参数组合（Υ，σ)进行优化，在 全局范围内得到最优值； 步骤四、代入经过优化的参数，构造基于果蝇优化最小二乘支持向量机的交通信息预 测模型； 步骤五、输入数据集，通过预测模型生成交通信息预测结果； 步骤六、根据交通信息预测结果和实际交通信息数据，进行预测误差评价分析。
2. 根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方 法，其特征在于，所述步骤一的具体过程为： 通过一定的线性变化将输入和输出数据统一限制在[〇, 1]或[-1，1]区间内，对数据进 行线性归一化处理：
(1) 式⑴中，Xmax为原始交通信息数据的最大值，Xmin为原始交通信息数据的最小值，\为 t时刻的原始交通信息数据，X/为t时刻相对应的归一化处理后的交通信息数据。
3. 根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方 法，其特征在于，所述步骤二的具体过程为： 采用径向基函数作为最小二乘支持向量机的核函数：
(2) 式（2)中，〇为径向基函数的宽度参数。
4. 根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方 法，其特征在于，所述步骤三的具体过程为： 1) 读入交通信息数据集； 2) 确定种群个体数量sizepop = 20和最大迭代次数max gen = 100,在[0, 1]范围内， 随机生成果蝇的初始位置； 3) 赋予果蝇个体搜寻食物的随机飞行方向与距离区间； 4) 估计果蝇位置与原点之间的距离，计算味道浓度判定值Sp Si = Ι/Dp
5) 将参数组合（Y，c〇代入最小二乘支持向量机预测模型中，以预测的误差平方和作 为味道判定函数，求出该果蝇位置味道浓度Smell,，即误差平方和； 6) 找出果蝇群体中使得误差平方和最小的果蝇，即其味道浓度最低； 7) 保留最佳模型参数（Υ，σ)与（Xi，Yi)坐标，此时果蝇群体利用视觉往该位置飞去； 8) 迭代寻优，重复执行以上步骤3)至步骤6)，并判断预测误差平方和是否优于前一迭 代预测误差平方和，若是则执行步骤7)。
5.根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方 法，其特征在于，所述步骤四的具体过程为： 1) 路段上的交通信息与前几个时段的交通信息有着必然的联系，利用路段前几个时段 的交通信息数据去预测未来时段的交通信息：设x(t)为t时刻的交通信息数据，x(t-l)为 t-Ι时刻的交通信息数据，采用当前时间段和前s个时间段的交通信息对未来时间段的交 通信息进行预测，将X (t)，X (t-Ι)，…，X (t-s)作为样本t时刻的输入值，即Xi，X (t+Ι)作为 样本的输出值，即yi ; 2) 建立训练集{(xpyj，（x2，y2)，···，（xN，yN)} e (ΧΧΥ)Ν，N为训练集中输入输出数据 对的个数，以作为最小二乘支持向量机的训练数据； 3) 通过己知数据的分析，选择径向基函数作为核函数以及采用经过果蝇算法优化的参 数，根据最小二乘支持向量机的算法，构造并求解下列问题：
(3) 式（3)中，
为核空间映射函数，
是权矢量，ei e R为误差变量，b 为偏差量，J为损失函数，Y为可调常数； 构造拉格朗日函数：
(4) 式⑷中，ai e R为拉格朗日乘子，分别求式⑷对ei，ai，w，b的偏导，再消去w， ei， 可得如下方程：
(5) 式（5)中，y = [y! ; ;yN]，Iv = [1 ; ;1]，a = [ a 丄；...；a N]，i，j = 1，2,…，N ; 根据Mercer理论，可以选择核函数K( ·，·），使得
(6； 由式（5)可解出a i和b。 4) 构造预测函数
(7) 式（7)即为最后的预测函数，其中核函数K(x，Xi)采用径向基函数； 5) 将测试数据集构造成上述预测函数中输入变量的形式，代入预测函数得到交通信息 的预测结果。
6.根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方 法，其特征在于，所述步骤六的具体过程为： 1) 计算平均误差：平均误差
误差（i)/n，即平均误差是由所有误差之和除以输出 样本的数量的个数得到的； 2) 计算平均相对误差：平均相对误差
相对误差（i)/n，即平均相对误差是由所有相 对误差之和除以输出样本的数量的个数得到的。 3) 计算均等系数：
其中，x(k)为实际交通信息数据，X'（k)为预测交通信息数据，η为预测个数。
【文档编号】G06Q10/04GK104091216SQ201410367168
【公开日】2014年10月8日 申请日期:2014年7月29日 优先权日:2014年7月29日
【发明者】丛玉良, 李晓雷, 郭一粟, 张书扬, 邢丽娟 申请人:吉林大学